Inzet synthetische data voor het trainen van een objectherkenningsalgoritme

Inleiding

Een grote uitdaging bij het trainen van AI-modellen in het algemeen, is het vergaren van kwalitatief hoogstaande datasets en het op juiste wijze labelen van die data om een objectdetectie-algoritme te trainen. Dit kost nu heel veel tijd, maar is wel nodig om afvalsoorten goed te gaan herkennen. Daar kunnen we het verschil maken ten opzichte van de huidige methodes en laten zien dat techniek zorgt voor efficiëntie en doeltreffendheid.

Belang van Variëteit in Data

Hoe groter de variëteit aan data, hoe beter en robuuster het getrainde model, en hoe effectiever het detectie-algoritme zal functioneren. Voor onze use case, Project.BB, is een uitgebreider getraind detectie-algoritme nodig, omdat het niet alleen sigarettenpeuken zijn die voor plastic vervuiling op het strand zorgen.

Doelstellingen van de BeachBot

Uiteindelijk dient de BeachBot het hele scala aan zwerfafval te detecteren, waaronder bijvoorbeeld:

• Patatvorkjes
• Plastic zakjes
• Blikjes
• Rietjes

Deze items moeten onder alle mogelijke omstandigheden (regen, licht, hoek etc.) worden herkend. Het plastic in de natuur ziet er heel anders uit dan in de winkel; dit afbraakproces zouden we graag simuleren, omdat de herkenning steeds lastiger wordt.

Innovatieproject en Methode

Het beoogde innovatieproject richt zich op het ontwikkelen van een nieuw functioneel model op basis van supervised learning. Dit is een methode van aanleren door het voeden van vele voorbeelden in de vorm van gelabelde data, waarmee het objectdetectie-algoritme wordt getraind. Dit gebeurt echter nu ook op basis van (of met zoveel mogelijk) kunstmatig gegenereerde beelden van zwerfafval. Daarbij wordt rekening gehouden met een zo breed mogelijke dataset.